Claude和GPT全买了，AI用起来为啥还是不好用？老金来告你！
先说一个可能不太舒服的结论。
AI用得好不好，跟工具几乎没关系。
老金我在一开始认为模型越好就行了。
换了Claude、GPT、Gemini轮着试。
结果发现不对——同样的工具，不同人用出来的效果完全不同。
你可以做一个实验。
找两个同事，一个干过三年产品，一个刚入行。
让他们用同一个AI，写一份竞品分析报告。
资深的人出来的东西，方向对，框架稳。
该查哪些数据口径心里有数。
稍微调调就能用。
初级的人出来的东西，结构漂亮，措辞专业。
但你一细看。。。该对标谁、该用哪个指标、结论能不能站住脚，全是不确定的。
同样的AI，同样的提示词，结果天差地别。
差别不在工具。在你脑子里装的东西。
具体说，是两块认知在起作用。
一块是你对事情本身的认知——你知不知道这个活该怎么干。
另一块是你对AI的认知——你知不知道AI有哪些能力、怎么组合着用。
这两块里面，AI认知这块又有两个层次：90%是提效，10%是反哺认知。
今天把这三层拆清楚。
你不知道该怎么做，AI也帮不了你
先说第一块，也是最容易被忽略的一块。
有做事认知的人用AI，知道自己要去哪
方向是自己定的，AI负责加速。
你让AI帮你做一份市场分析。
如果你自己做过，脑子里有框架。
市场规模、增长率、竞争格局、关键玩家。
给AI的指令会非常精准。
出来的东西不会跑偏。调一调就能用。
没有做事认知的人用AI，像是坐在一辆没有方向盘的车上
AI把你带到了一个地方，看起来挺像那么回事。
但你不知道对不对，该不该在这里下车。
你让AI写一份产品分析报告。
指令大概是"帮我写一份产品分析报告"。
AI给你吐出来一份结构完整、措辞专业的东西。
但你不知道它选的数据源可不可靠。
结论有没有逻辑漏洞。
该不该用这个框架而不是那个框架。
36氪最近翻译了一篇哈佛商业评论的文章。
里面有个发现挺扎心。
一个咨询顾问观察到：AI对资深员工的帮助，远大于对初级分析师的帮助。
初级分析师用AI确实能快速生成内容。
但成果没有实质性提升。
更关键的是，他们往往判断不了产出质量的好坏。
原因不复杂。
判断力不是AI能给你的。
是你自己踩过坑、犯过错、做过决策之后才长出来的。
懂AI才能把AI用快——AI认知的90%
第一块管方向。第二块管速度。
但这里有个关键点很多人没想清楚。
对AI的认知，90%是在提效——同样是干一件事，你懂AI就能快十倍。
剩下10%，是AI能在你已有的方向上，帮你补上你不知道的细节。
这个后面单独说。先说提效这块。
同样一个任务，懂AI和不懂AI的人操作完全不一样。
不懂的人，一句话扔过去，等结果。
结果不好，再换一句话扔过去。
来来回回十几次，时间全耗在对话里了。。。
懂的人，知道要把任务拆成步骤，分阶段让AI执行。
知道什么时候该给上下文，什么时候该给约束条件。
问题是，"懂AI"到底要懂哪些东西？
2026年的AI能力，早就不是一个聊天框了。
如果你还停留在"输入一句话等回复"的阶段，你用的不到AI能力的5%。
老金我把当前主流AI能力分成四层，你看自己到了哪一层。
第一层：对话与生成
这是最基础的。
ChatGPT、Claude、Gemini、豆包、千问、智谱、Minimax等的基本对话能力。
问问题、写文案、翻译、总结。
大部分人停在这一层。
第二层：工具调用
知道AI不只是聊天，还能调用外部工具。
Tool Use（也叫Function Calling）——让AI调用外部API、运行代码、生成图表。
MCP协议——让AI直接读你本地文件、查数据库、调API，不用手动复制粘贴。
RAG（检索增强生成）——把AI连上你的企业知识库，让它基于你的私有数据回答问题。
到这一层，效率已经翻了好几倍。
因为AI从"只能回答问题"变成了"能替你干活"。
第三层：技能与扩展
知道AI可以装"技能包"。
Skills（Agent Skills）——2025年底Anthropic推出的开放标准。
简单说就是可复用的指令包，把专业知识和工作流程打包给AI用。
比如老金我写的公众号写作Skill、代码审查Skill、质量检测Skill。
装上之后，AI不用每次从零学起，直接按专业流程干活。
Plugins——比Skill更高一层的打包方式。
一个Plugin可以包含多个Skill、Hooks（自动触发脚本）和MCP服务器。
装一个Plugin，等于给AI装了一整套能力。
Claude Code、Cursor、Codex都支持。
到这一层，你已经不是在用AI了，你是在组建一个AI团队。
第四层：自主执行
这是2026年最热的一层。
Agent Mode——AI不只回答问题，它能自己规划任务、拆步骤、执行、检查结果。
Computer Use——AI直接控制你的浏览器和桌面，帮你操作软件。
Deep Research——AI自主搜索、综合多源信息，出一份完整调研报告。
Subagents——AI在执行过程中，自动生成专业子Agent处理子任务。
Multi-Agent编排——多个Agent协作，像公司里的部门分工一样。
到这一层，AI已经不是工具了。
它更像一个能自己干活的同事。
四个层级，每升一层，效率翻一个量级。
停在第一层的人，和到达第四层的人。
用的可能是同一个ChatGPT账号。
但效率差距可能是10倍甚至更多。
这笔账很清楚。
同样一个调研任务，停在第一层的人可能要30分钟来回折腾。
到第四层的人3分钟搞定。
不是因为后者更聪明。
是因为后者知道AI有哪些能力，怎么组合着用。
垂直方向的细节反哺——AI认知的10%
说完了90%的提效。说剩下那10%。
这10%很容易被忽略，但它很关键。
它是这样一种情况：你知道一个大方向，但对这个方向上的具体细节不了解。
AI能在你已有的方向上，帮你把细节补上。
举个例子。
你做过市场分析，你知道该看"竞争格局"这一栏。
但某个新行业的竞争格局具体长什么样、关键玩家是谁、格局是怎么形成的——这些细节你不知道。
这时候你问AI："XX行业的竞争格局是什么？头部玩家有哪些？各自的市场份额大概是多少？"
AI帮你把这些垂直方向的细节补上了。
注意，这不是从零开始学一个新领域。
是你已经有了"竞争格局"这个认知框架，AI帮你把框架里的具体内容填满。
反哺认知的前提是：你至少得知道该问什么方向。
如果你连"竞争格局"这个概念都没有，你根本不会想到问这个问题。
AI给你的信息再多，你也不知道该往哪个方向深挖。
这就是为什么第一块认知（做事认知）是基础。
没有做事认知，AI给你的细节再多，你也不知道哪些有用、哪些该忽略。
反哺认知还有一个特点：它往往发生得很安静。
你不是在"学习"，你是在"用AI干活"的过程中，顺便把某个细节补上了。
干完活回头看，发现自己对这个领域的理解比干活之前深了一层。
这种增长不显眼，但积累起来很可观。
AI帮你跳过了过程，也跳过了成长
说一个不那么舒服的观察。
很多人以为学会了提示词技巧、装了一堆Skill和Plugin，就是学会了用AI。
其实那些只是第二块认知里的工具层。
更深层的问题在第一块——你自己对要做的事情有没有判断力。
哈佛那篇研究里有句话说得挺准：
"AI既增加了对判断力的需求，同时也在侵蚀孕育判断力的经验土壤。"
换成人话说就是：
你让AI帮你写了十份报告，你没亲手写过一份。
你以为自己学会了写报告。
其实你只学会了审阅报告。
这两件事的认知深度差了十个量级。
真正会写报告的人，知道哪句话该放前面。
知道哪个数据该突出，知道哪种逻辑最容易打动读者。
这些判断力，是亲手写出来、被骂过、改过三遍之后才长出来的。
AI帮你跳过了这个过程。
也帮你跳过了这个成长。
这事不能怪AI，工具该干嘛就干嘛。
但使用工具的人得心里有数：
哪些环节可以让AI代劳，哪些环节必须自己动手。
两个问题，测出你的认知缺口
用AI做完一件事之后，问自己两个问题。
你知道AI给你的结果好不好吗？
如果不知道——你缺做事认知。判断不了产出质量，说明你对这件事本身没有框架。
你能让AI更快更好地完成这个任务吗？
如果不能——你缺AI认知。看看上面四层能力金字塔，找到你停在的层级，往上升一层。
这两个问题对应两块认知。缺哪块补哪块。
做事认知靠实践，没有捷径。
多自己动手，多做决策，多承担后果。
AI认知靠学习。
2026年的AI能力已经远超"聊天框"了。
Skills、Plugins、MCP、RAG、Agent Mode、Subagents。
每一个能力对应一倍甚至几倍的效率提升。
不是看一堆文章就完了，是得自己动手试。
两块都到位了，你会发现AI突然好用了。
不是AI变了，是你变了。
写到这，老金反而觉得最有意思的不是两块认知本身。
而是它们之间的关系：AI越强，对人的要求反而越高。
工具越智能，使用它的人越不能糊涂。
AI能帮你省时间、省力气、省步骤。
但省不了你对事情本身的判断力。
这份判断力，只能自己长。